HC-Net: Hybrid Classification Network for Automatic Periodontal Disease Diagnosis

摘要

从全景X射线图像中准确分类牙周病对于临床高效诊疗至关重要，但由于射线照相术中的微妙证据，这是一项具有挑战性的任务。最近的方法试图通过估计图像上的骨质流失来对牙周病进行分类，依赖于放射学手动注释来监督分割或关键点检测。然而，这些射线照相注释与临床金标准不一致，可能导致测量误差和分类不稳定。

在本文中，提出了一种新型的混合分类框架HC-Net，用于从X射线图像中准确分类牙周病。该框架由三个部分组成：牙齿水平分类、患者水平分类和可学习的自适应噪声OR门。在牙齿级分类中，首先引入实例分割来捕获每颗牙齿，然后对每颗牙齿上的牙周病进行分类。在患者层面，利用多任务策略共同学习患者层面的分类和分类激活图（CAM），该图反映了局部病变区域在全景X射线图像上的置信度。最后，通过整合来自两个层次的预测来获得混合分类的自适应噪声或门。
代码地址

方法

这个流程图还是很清楚的

实验结果